论文部分内容阅读
随着目前语音合成效果的逐步改善,用户对语音合成系统提出了更高的要求,尤其是多样化语音合成方面的需求。在这种背景下,一种能够在短时间内通过自动训练的方式进行合成系统构建,从而满足用户多样化需求的语音合成技术,有着很高的理论研究及使用价值。对此,本论文在基于HMM的可训练语音合成(Trainable TTS)方面,包括技术框架构建、关键技术改进以及相关技术应用,进行了深入而系统的研究,本论文具体的研究工作和研究成果如下。 首先,本论文对基于隐马尔科夫(HMM)的自动切分技术进行分析和改进。通过分析HMM训练流程中采用的最大似然准则的(ML)训练算法与自动切分目标的不匹配问题,本文提出一种基于切分误差最小化准则(MSGE)的区分性训练算法。在该算法中,首先通过引入一个新的切分误差度量来定义切分误差函数,然后基于一般化的统计梯度下降算法(GPD)对模型参数进行优化,从而达到切分误差最小化的目的。基于HMM的自动切分技术的分析和改进工作,为本文后续进行Trainable TTS的深入研究奠定一定的基础。 其次,本论文基于现有的模型训练和参数生成技术,建立了一个完整的Trainable TTS技术框架,包括一个自动化的训练流程和相应的合成后端。它可以根据用户的需求,通过输入一定的语音数据进行自动训练,并快速形成一个相应的合成系统。此外,在此框架基础上,本文通过设计和优化中文上下文相关属性和问题集,进行了中文Trainable TTS系统的训练和构建,对Trainable TTS技术进行效果验证。 第三,基于前面构建的Trainable TTS技术框架,本文对Trainable TTS技术分别进行几个方面的改进。首先在谱参数建模方面,通过对Mel-cepstral(MCEP)和线谱对(LSP)参数的特点和建模效果分析,并考虑到LSP参数与共振峰之间的对应关系,最终结合LSP和其相邻阶差分DAL参数进行谱参数建模。其次,对于韵律节奏感不强的问题,本文在状态时长模型的基础上加入了基于声韵母单元的时长模型,并在合成中对两种时长模型进行加权来进行时长预测。 此外,针对现在模型训练流程中采用的最大似然(ML)准则与合成目标的不匹配问题,本文提出了一种基于最小生成误差(MGE)准则的HMM训练算法。在得到结果验证后,本文对MGE准则进行一定的简化,并通过设计合理的分裂问题选择策略,将该准则应用到上下文相关模型的聚类中。最后,在上述模型训练和聚类算法的改进基础上,本文对整个Trainable TTS的训练流程进行重